Relating Graph Neural Networks to Structural Causal Models
TU Darmstadt（达姆施塔特工业大学）；DeepMind；Google（谷歌）
因果关系可以用结构因果模型（SCM）来描述，该模型携带有关感兴趣的变量及其机械关系的信息。对于大多数感兴趣的过程，底层的SCM只能部分地观察到，因此因果推理试图利用暴露的过程。图神经网络（GNN）作为结构化输入的通用逼近器，为因果学习提供了一个可行的候选者，这表明它与SCM的集成更紧密。为此，我们提出了一个理论分析，从第一原则，建立了一个更一般的看法神经因果模型，揭示了GNN和SCM之间的几个新的连接。我们建立了一个新的基于GNN的因果推理模型类，它是因果效应识别的必要和充分条件。我们的模拟和标准基准的实证说明验证了我们的理论证明。
2021-10-22 cs.LG stat.ML
Learning Structural Causal Models through Deep Generative Models: Methods, Guarantees, and Challenges
Ekimetrics（埃基梅特里克公司）；INRIA Saclay（法国国家信息与自动化研究所萨克雷分所）；TAU（特拉维夫大学）；LISN（巴黎第十一大学科学与工业技术实验室）
本文综述了深度结构因果模型（DSCMs）在已知因果结构下利用观测数据回答反事实查询的能力，分析了其假设、保证与应用，并指出了该领域的挑战与未来方向。
2024-05-08 cs.LG stat.ML
Causal Discovery from Conditionally Stationary Time Series
Imperial College London（帝国理工学院）；University of Dundee（邓迪大学）
本文提出状态依赖因果推断（SDCI）方法，通过将非平稳性建模为以潜在状态为条件的平稳性，实现条件平稳时间序列中的因果发现，并在粒子交互、基因调控和NBA球员运动预测中验证其优越性。
2025-06-05 cs.LG stat.ML
Causal discovery in a complex industrial system: A time series benchmark
Lund University（隆德大学）；The European Spallation Source（欧洲散裂中子源）
本文提出一个来自欧洲散裂中子源工业子系统的时间序列因果发现基准数据集，并配套专家知识构建的因果图，用于评估和促进复杂系统因果发现方法的发展。
2023-10-28 cs.LG stat.ML
Causal-TS: A Python Library for Causal Discovery in High-Dimensional and Nonstationary Time Series
Bloomberg LP（彭博有限合伙企业）
介绍用于高维非平稳时间序列因果发现的Python库Causal-TS，它含多种算法及包装器，有统一CI测试层并支持GPU加速，通过状态发现管道检测断点，还有命令行等工具提供端到端管道，可pip安装且经测试。
2026-07-28 cs.LG stat.ME
Causal Identification in Time Series Models
Engineering and Applied Science, California Institute of Technology（工程与应用科学学院，加州理工学院）
本文分析了Causal Identification算法在带有潜在混杂因素的因果时间序列图中的适用性，首次提出了仅取决于变量数和最大时间滞后的界限，并证明对恒定大小图段应用该算法即可判定跨无限时间区间的因果效应可识别性。
2025-04-28 cs.AI cs.LG stat.ME
Causality, Causal Discovery, and Causal Inference in Structural Engineering
本文从土木与结构工程视角系统阐述因果发现与因果推断的基本原理、常用算法及软件包，并通过案例展示其相对于传统机器学习方法的优势与应用方式。
2022-08-08 cs.LG stat.ME
CausalTime: Realistically Generated Time-series for Benchmarking of Causal Discovery
Tsinghua University（清华大学）；Chinese PLA General Hospital（中国人民解放军总医院）
针对现有合成数据集难以真实评估时间序列因果发现算法性能的问题，本研究提出CausalTime流水线，基于真实数据生成带真值因果图的高保真时间序列，用于算法基准测试，可推广至多领域。
2023-10-03 cs.LG stat.ML
Constraint-based Causal Discovery for Non-Linear Structural Causal Models with Cycles and Latent Confounders
Informatics Institute（信息学研究所）；University of Amsterdam（阿姆斯特丹大学）
我们解决的问题，因果发现数据，利用最近提出的因果建模框架的模块化结构因果模型（mSCM）来处理周期，潜在的混杂因素和非线性。本文引入了σ-连通图（σ-CG），这是一类新的具有附加结构的混合图（包含无向、双向和有向边），并将σ-分离的概念推广到σ-CG上，σ-分离是d-分离概念的适当推广.我们证明了σ-分离在边缘化和条件下的封闭性，并利用这一点来实现σ-CG上的σ-分离测试。然后，这将我们带到第一个因果发现算法，该算法可以处理非线性函数关系，潜在混杂因素，循环因果关系以及来自不同（随机）完美干预的数据。作为概念证明，我们在合成数据上展示了该算法如何恢复模块化结构因果模型的因果图的特征。
2018-07-09 cs.AI cs.LG stat.ML
Deep Structural Causal Models for Tractable Counterfactual Inference
Imperial College London（伦敦帝国理工学院）
我们制定了一个通用框架，用于构建具有深度学习组件的结构因果模型（SCM）。所提出的方法采用规范化流和变分推断来实现对外源噪声变量的易处理的推理-这是现有深度因果学习方法中缺少的反事实推理的关键步骤。我们的框架在MNIST上构建的合成数据集以及真实世界的大脑MRI扫描医学数据集上进行了验证。我们的实验结果表明，我们可以成功地训练深SCM，能够所有三个层次的珍珠的阶梯的因果关系：关联，干预和反事实，从而产生一个强大的新方法来回答因果问题的成像应用和超越。我们所有实验的代码都可以在https://github.com/biomedia-mira/deepscm上找到。
2020-10-22 cs.LG stat.ML
When are time series predictions causal? The potential system and dynamic causal effects
Harvard University（哈佛大学）
本文提出潜在系统模型，用于评估时间序列中某一时间点的干预对未来结果的因果影响，并探讨其在时间序列实验、回归和SVAR等方法中的应用。
2026-03-20 econ.EM stat.ME
Causal Discovery on Irregular Time Series
Feedzai（Feedzai公司）；Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院）；DCC, Faculdade de Ciêncidas da Universidade do Porto（波尔图大学理学院数据与计算机科学系）；Instituto de Telecomunicações（电信研究所）
研究旨在解决不规则时间序列的因果发现问题，通过扩展PCMCI+方法，利用预定义时间窗口聚合因果影响，在合成数据实验中表现出色，能有效恢复因果图且优于标准方法。
2026-07-21 cs.LG stat.ME
Causal Inference for Time series Analysis: Problems, Methods and Evaluation
Arizona State University（亚利桑那州立大学）；Northwestern Polytechnical University（西北工业大学）；Army Research Lab（陆军研究实验室）
时间序列数据是由多个领域（如医疗和金融领域）生成的按时间顺序排列的观测值的集合。多年来，已经提出了不同的任务，如分类，预测和聚类来分析这类数据。时间序列数据也被用来研究干预措施随时间的影响。此外，在许多科学领域，学习动态系统和时间序列数据的因果结构被认为是一项有趣的任务，在科学发现中起着重要作用。估计干预的效果和从数据中识别因果关系可以通过因果推理来执行。关于时间序列的现有调查讨论了分类和预测等传统任务，或解释了为解决具体任务而提出的方法的细节。在本文中，我们专注于两个因果推理任务，即，时间序列数据的治疗效果估计和因果发现，并提供了每个任务的方法的全面审查。此外，我们还为每个任务整理了一系列常用的评估指标和数据集，并提供了深入的见解。这些指标和数据集可以作为该领域研究的基准。
2021-02-11 cs.LG stat.ML
Learning Structural Causal Models from Ordering: Identifiable Flow Models
Applied Artificial Intelligence Institute (A2I2), Deakin University（迪肯大学应用人工智能研究所（A2I2））
本研究针对仅含观测数据与有效因果排序的因果推断问题，提出可辨识流模型，能同时学习因果机制、降低复杂度，性能优于现有最优方法且计算效率更高，适用于大型结构因果模型。
2024-12-13 cs.AI cs.LG stat.ML
On Transportability for Structural Causal Bandits
Graduate School of Data Science（数据科学研究生院）；Seoul National University（首尔国立大学）
本文提出了一种结构因果投递框架，通过融合源环境的先验信息来增强部署学习，实现了亚线性遗憾界并可能优于传统方法。
2025-11-22 cs.LG stat.ML
Counterfactual (Non-)identifiability of Learned Structural Causal Models
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）
概率生成建模的最新进展促使使用深度条件生成模型（也称为深度结构因果模型（DSCM））从观测数据集学习结构因果模型（SCM）。如果成功，DSCM可以用于因果估计任务，例如，回答反事实的问题在这项工作中，我们警告从业者，即使在没有未观察到的混淆和假设已知的因果结构的情况下，从观察数据中得出的反事实推断也是不可识别的。我们证明了具有一维外生变量的单调生成机制的反事实可识别性。对于一般的生成机制与多维外生变量，我们提供了一个不可能的结果，反事实的可识别性，激励参数假设的需要。作为一种实用的方法，我们提出了一种方法来估计学习DSCM的反事实预测的最坏情况下的错误。这个错误的大小可以是决定DSCM是否是在特定问题设置中进行反事实推理的可行方法的基本度量。在评估中，我们的方法确认可以忽略不计的反事实错误的可识别的SCM从以前的工作，也提供了翔实的错误界限上的反事实错误的不可识别的合成SCM。
2023-01-22 cs.LG stat.ML
Causal programming: inference with structural causal models as finding instances of a relation
University of Maryland（马里兰大学）
本文提出了一个因果推断关系和因果规划作为一般框架的因果推断与结构因果模型。元组$\langle M, I, Q, F \rangle$是关系的实例，如果公式$F$计算因果查询$Q$，作为由一组模型假设$M$所包含的每个模型中的已知总体概率$I$的函数。因果推断中的许多问题都可以看作是满足给定条件的关系实例的枚举问题。这统一了一些以前研究的问题，包括因果效应识别，因果发现和选择偏差的恢复。此外，这种关系支持用结构因果模型将因果推断中的新问题形式化，例如研究设计问题。因果规划被提出作为因果推断的进一步推广，作为关于成本函数找到关系的最佳实例的问题。
2018-05-04 cs.AI stat.ME
Probabilistic Active Learning of Functions in Structural Causal Models
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Cambridge（剑桥大学）
我们考虑的问题，学习的功能计算儿童从父母的结构因果模型，一旦潜在的因果图已被确定。这在某种意义上是因果发现之后的第二步。以概率的方法来估计这些功能，我们得出一个自然的近视主动学习计划，确定的干预，这是最佳的信息，所有的未知功能联合，以前观察到的数据。我们测试派生的算法简单的例子，证明他们产生一个结构化的探索政策，显着改善非结构化的基线。
2017-06-30 cs.AI cs.LG stat.ML
CUTS: Neural Causal Discovery from Irregular Time-Series Data
Tsinghua University（清华大学）；Institute for Brain and Cognitive Science, Tsinghua University (THUIBCS)（清华大学脑与认知科学研究所）；Chinese PLA General Hospital（中国人民解放军总医院）
从时间序列数据中发现因果关系一直是机器学习的核心任务。最近，Granger因果关系推理由于其良好的可解释性和与新兴的深度神经网络的高度兼容性而获得了发展势头。然而，现有的方法大多假设输入数据是结构化的，当遇到随机缺失数据或采样频率不均匀的数据时，这些方法的性能会大大退化，这就阻碍了它们在实际应用中的应用。为了解决这个问题，本文提出了一种神经Granger因果发现算法CUTS，通过在一个迭代框架中插入两个相互促进的模块来联合估算未观察到的数据点并构建因果图：（i）潜在数据预测阶段：设计了一个延迟监督图神经网络（Delayed Supervision Graph Neural Network，DSGNN）来对可能具有高维和复杂分布的非结构化数据进行幻觉和注册;（ii）因果图拟合阶段：在稀疏惩罚下用估算数据构建因果邻接矩阵。实验表明，CUTS有效地推断因果图从非结构化的时间序列数据，具有显着优于现有的方法的性能。我们的方法是一个有前途的一步，将因果发现应用到实际应用中的非理想观测。
2023-02-15 cs.LG stat.ME
The Structurally Complex with Additive Parent Causality (SCARY) Dataset
RMIT University（皇家墨尔本理工大学）
本文构建包含40个场景、三种随机种子、两类加性因果机制且 Varsortability 为0.5的合成 SCARY 数据集，以支持更现实条件下的因果发现研究。
2023-04-27 cs.LG stat.ML
Causal structure learning from time series: Large regression coefficients may predict causal links better in practice than small p-values
University of Copenhagen（哥本哈根大学）
在这篇文章中，我们描述了从时间序列数据中学习因果结构的算法，这些数据在2019年神经信息处理系统会议（NeurIPS）上赢得了因果4气候竞赛。我们研究我们的组合既定的想法如何实现半现实和现实的时间序列数据表现出共同的挑战，在现实世界的地球科学数据的竞争力。特别是，我们讨论了a）利用线性方法来识别非线性系统中的因果联系的基本原理，b）关于为什么大的回归系数在实践中可以比小的p值更好地预测因果联系以及为什么归一化数据有时可能会阻碍因果结构学习的模拟支持的解释。对于基准测试的使用，我们在这里详细介绍了算法，并在https://github.com/sweichwald/tidybench上提供了实现。我们提出了竞争证明基线基准比较的方法，以指导开发新的算法，从时间序列的结构学习。
2020-09-02 cs.LG stat.AP stat.ML
Causal Discovery in Semi-Stationary Time Series
Purdue University（普渡大学）；Adobe Research（奥多比研究院）
针对非平稳时间序列因果发现的难题，本文提出基于约束的非参数算法PCMCI$_Ω$，可捕捉半平稳时间序列中周期性交替的因果机制，经理论证明和模拟、真实数据实验验证，能可靠识别因果图。
2024-07-10 cs.AI cs.LG stat.ML
Causal discovery for time series with latent confounders
University of Stuttgart（斯图加特大学）
重建我们观察到的现象背后的因果关系是所有科学领域的一个基本挑战。在复杂的系统中，通过实验发现因果关系通常是不可行的、不道德的或昂贵的。然而，计算能力的提高使我们能够处理现代科学产生的不断增长的数据量，从而对从观测数据中发现因果关系的问题产生了新的兴趣。这项工作评估的LPCMCI算法，其目的是找到一个多维的，高度自相关的时间序列兼容的发电机，而一些变量是未观察到的。我们发现，LPCMCI比随机算法模仿不知道什么，但仍然是远离最佳检测性能好得多。此外，LPCMCI在自动依赖项上表现最好，然后是同期依赖项，并且在滞后依赖项上表现最差。这个项目的源代码可以在线获得。
2022-09-07 cs.LG stat.ML
Comparing Causal Frameworks: Potential Outcomes, Structural Models, Graphs, and Abstractions
Stanford University（斯坦福大学）
该研究从中立逻辑视角比较RCM与SCM因果框架，明确RCM可被SCM表示的条件，证明所有RCM都是可表示RCM的抽象，还阐释了SCM原则的应用价值与图的代数约束，推动两类框架的对比研究。
2023-11-06 cs.AI cs.LG cs.LO
CDANs: Temporal Causal Discovery from Autocorrelated and Non-Stationary Time Series Data
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
本文提出CDANs方法，用于自相关非平稳时间序列的因果发现，通过优化条件集和识别变化模块，有效处理高维性并识别滞后及同期因果关系，实验验证了其有效性。
2023-10-16 cs.AI cs.LG stat.ME
Learning Causal Abstractions of Linear Structural Causal Models
Università di Pisa（比萨大学）；University of Amsterdam（阿姆斯特丹大学）
针对线性因果模型的因果抽象条件不明及从数据学习因果抽象的难题，该研究刻画了高低层模型的约束关系，提出Abs-LiNGAM方法，在非高斯噪声假设下加速低层模型恢复，提升因果发现可扩展性。
2024-06-01 cs.AI cs.LG stat.ME
Integrating Markov processes with structural causal modeling enables counterfactual inference in complex systems
Gamalon Inc.（Gamalon公司）；Northeastern University（东北大学）
这篇文章提供了一个一般的和实用的框架，铸造一个马尔可夫过程模型的系统在平衡作为一个结构的因果模型，并进行反事实推理。马尔可夫过程在数学上描述了系统中的机制，并预测系统在干预时的平衡行为，但不支持反事实推理。相反，结构因果模型支持反事实推理，但不确定的机制。本手稿利用了这两种方法的优点。我们定义的结构因果模型的参数和平衡动态的马尔可夫过程模型，并从这些设置反事实推理流。所提出的方法消除了结构因果模型的可识别性缺陷，因为反事实推理与从马尔可夫过程模型模拟的反事实轨迹是一致的。我们展示了这个框架的好处，在复杂的生物分子系统的非线性动力学的案例研究。我们说明了，在存在马尔可夫过程模型误指定，反事实推理利用先验数据，因此估计干预的结果比直接模拟更准确。
2019-11-06 cs.LG q-bio.MN stat.AP
Identification in Tree-shaped Linear Structural Causal Models
University of Lübeck（吕贝克大学）；Saarland University（萨尔大学）
线性结构方程模型将直接因果效应表示为有向边，将混杂因素表示为双向边。一个开放的问题是从节点之间的相关性中识别因果参数。我们调查模型，其有向分量形成一棵树，并表明，有，除了经典的工具变量，丢失的周期的双向边缘可以用来识别模型。他们可以产生系统的二次方程，我们明确解决，以获得一个或两个解决方案的因果参数相邻的有向边缘。我们展示了如何多个丢失的周期可以结合起来，以获得一个独特的解决方案。这导致了一种算法，可以识别以前需要基于格罗布纳基的方法的实例，该方法在结构参数的数量上具有双指数时间复杂度。
2022-03-04 cs.AI cs.LG cs.SC
Sparse Causal Discovery in Multivariate Time Series
我们的目标是在多变量时间序列中估计因果相互作用。使用向量自回归（VAR）模型，这些可以基于属于相应时滞实例的非零系数来定义。由于在大多数情况下，假设一个简约的因果关系结构，因果发现的一个有前途的方法包括拟合VAR模型与额外的稀疏促进正则化。沿着这条线，我们在这里提出，稀疏性应强制属于每对时间序列的系数的子组，因为因果关系的缺乏需要所有时滞的系数共同变为零。这种行为可以通过l1-l2范数正则化回归来实现，最近已经提出了一种有效的活动集求解器。我们的方法被证明优于标准方法在恢复模拟因果关系图。结果与第二种使用多重统计检验的新方法相当。
2009-01-15 stat.AP stat.ME stat.ML
Non-parametric causal inference for bivariate time series
我们引入了新的量，探索性的因果关系推断之间的二元时间序列。这些量被称为倾向和倾向，在计算上很容易应用，直接遵循概率因果关系的假设，不依赖于时间序列生成过程的任何假设模型，也不依赖于任何嵌入程序;这些功能可以提供比现有时间序列因果关系工具更清晰的结果解释。偏好和倾向是基于用于计算概率的结构化方法来计算的。
2016-01-27 physics.data-an stat.ME
One Thing Leads to Another: The Essentials of Time Series Causal Discovery
The University of Edinburgh（爱丁堡大学）；University College London（伦敦大学学院）
本教程对跨领域的时间序列因果发现进行统一概述，介绍其核心原则、方法评估方式，探讨其在多领域下游任务的重要性，并提供配套资源以助力研究者开展相关研究。
2026-10-12 cs.LG eess.SP stat.ML
CausalRivers -- Scaling up benchmarking of causal discovery for real-world time-series
Friedrich Schiller University Jena（弗里德里希·席勒大学耶拿分校）
本研究推出迄今最大真实场景时间序列因果发现基准工具包CausalRivers，含多区域河流流量数据与因果真值图，可生成多样基准测试，助力方法评估与相关领域研究。
2025-03-21 cs.AI cs.LG stat.ML
From Causal Discovery to Dynamic Causal Inference in Neural Time Series
Lucy Family Institute for Data & Society（数据与社会卢西家族研究所）；University of Notre Dame（诺克斯达大学）；Political Science University of Notre Dame（政治学诺克斯达大学）
提出动态因果网络自回归（DCNAR）两阶段框架，通过神经自回归因果发现学习稀疏有向因果网络，并将其作为结构先验用于时变神经网络自回归，实现无需预设网络结构的动态因果推断。
2026-06-04 cs.AI cs.LG stat.AP
Structural Agnostic Modeling: Adversarial Learning of Causal Graphs
本文提出了一种新的因果发现方法--结构不可知建模（SAM）。SAM利用条件独立性和分布不对称性，旨在从观测数据中找到潜在的因果结构。该方法是基于不同的球员之间的游戏，估计每个变量的分布有条件的其他神经网络，和一个对手，旨在区分所生成的数据对原始数据。结合分布估计，稀疏性和无环性约束的学习准则是用来执行通过随机梯度下降的图的结构和参数的优化。SAM在合成和真实数据上进行了广泛的实验验证。
2022-07-25 stat.ML
Nonparametric causal inference from observational time series through marginal integration
从观测数据中进行因果推断是一项雄心勃勃但高度相关的任务，具有从自然科学到社会科学的多种应用。在非参数时间序列的范围内，通过干预定义的因果推断（参见Pearl（2000））在很大程度上是未探索的，尽管时间顺序大大简化了问题。我们考虑一个边际积分方案，用于从观测的时间序列数据推断因果效应，MINT-T（时间序列中的边际积分），这是Ernest和Bühlmann（Electron. J. Statist，pp. 3155-3194，第9卷，2015）。我们的平稳随机过程的方法是完全非参数的，并假设没有瞬时效应始终恢复总的因果关系的一个单一的干预与最佳的一维非参数收敛速度$n^{-2/5}$假设正则条件和两次可微的某个相应的回归函数。因此，MINT-T在很大程度上不受维数灾难的影响，只要在更高的维度中保持平滑条件，并且它对于大类平稳时间序列是可行的，包括非线性和多变量过程。对于瞬时效应的情况下，我们提供了一个程序，防止假阳性的因果关系陈述。
2016-12-21 stat.ME
Robust Causal Discovery in Real-World Time Series with Power-Laws
Department of Computer Science, Sapienza University of Rome（罗马大学计算机科学系）
本文提出了一种基于幂律谱特征提取的鲁棒因果发现方法，以提高在现实时间序列中因果关系发现的鲁棒性，该方法在合成数据集和真实数据集上均优于现有方法。
2026-06-03 cs.LG physics.data-an stat.ML
Causal discovery for time series with constraint-based model and PMIME measure
Université Paris-Saclay（巴黎萨克雷大学）；CEA LIST（法国原子能和替代能源委员会实验室集成系统与技术部）
本文提出一种结合约束因果发现算法与PMIME信息论度量的时间序列因果发现方法，可推断线性与非线性关系并构建因果图，在模拟数据上取得良好效果。
2023-05-31 cs.IT cs.LG math.IT
Causal discovery in heavy-tailed linear structural equation models via scalings
针对带正则变化噪声的重尾线性结构方程模型，提出基于极值角测度尺度参数的因果发现算法，证明一致性并在模拟与河流流量数据上验证其竞争力。
2025-02-19 stat.ME
Heavy Tailed Homogeneous Structural Causal Models
University of Georgia（佐治亚大学）
本文提出HT-HSCM模型，用于在厚尾噪声驱动的因果发现中识别因果方向，通过递归算法恢复模型中的祖先冲击响应。
2026-04-05 math.ST stat.TH
Causal discovery for time series from multiple datasets with latent contexts
提出非参数时间序列因果发现方法J-PCMCI+，联合建模观测与潜在上下文以克服混杂，并给出渐近一致性与实验验证。
2023-06-22 stat.ME
Structural Causal Models for Extremes: an Approach Based on Exponent Measures
提出极值结构因果模型（eSCM），利用指数测度描述极值因果关系，通过激活变量抽象单大跳原理，并利用内在不对称性实现因果方向识别。
2026-10-06 math.ST stat.ME stat.TH
Incorporating structural uncertainty in causal decision making
Department of Mathematics and Computer Science（数学与计算机科学系）；University of Eindhoven（埃因霍温大学）
该研究针对因果决策中常被忽略的结构不确定性问题，提出对竞争因果结构做贝叶斯模型平均的方法，证明其正则条件下的最优性，验证了因果发现方法的量化能力，补充了现有稳健因果推断路径。
2025-07-31 cs.LG math.ST stat.TH
Econometric vs. Causal Structure-Learning for Time-Series Policy Decisions: Evidence from the UK COVID-19 Policies
Bayesian Artificial Intelligence research lab, MInDS research group（贝叶斯人工智能研究实验室，MInDS研究小组）；School of Electronic Engineering and Computer Science, Queen Mary University of London（电子工程与计算机科学学院，伦敦女王玛丽大学）
本文比较了计量经济学与传统因果机器学习在时间序列数据中的因果结构学习效果，通过英国新冠疫情防控政策案例，评估四种计量经济学方法与十一种因果机器学习算法在图结构、模型维度和因果效应恢复能力上的表现。
2026-05-08 cs.AI cs.LG econ.EM
Efficient Causal Discovery for Autoregressive Time Series
Bloomberg（彭博）
本研究提出一种针对非线性自回归时间序列的基于约束的新算法，显著降低了计算复杂度，在合成数据集上表现优于现有方法且适用于有限数据场景，为高效准确的因果推断提供了实际应用潜力。
2025-07-10 cs.LG stat.AP
Identification of Causal Diffusion Effects Under Structural Stationarity
虽然社会和生物医学科学家长期以来一直对思想和行为传播的过程感兴趣，但因果扩散效应（也称为同伴效应和传染效应）的识别仍然具有挑战性。由于语境混杂和同质性偏见的存在，许多学者认为常用的无遗漏混杂因素假设是不成立的。为了解决这个长期存在的问题，我们研究的因果识别下的一个新的假设结构平稳，形式化的基本扩散过程与一类动态因果有向无环图。首先，我们开发了一个统计测试，可以检测到广泛的偏见，包括上述两种类型。然后，我们提出了一个差异中的差异风格的估计，可以直接纠正偏差下一个额外的参数假设。利用所提出的方法，我们研究了德国对难民的仇恨犯罪的空间扩散。在纠正了现有研究中的大的向上偏差之后，我们发现仇恨犯罪只扩散到辍学率高的地区。
2020-01-27 stat.ME
A Criterion for Parameter Identification in Structural Equation Models
Iowa State University（爱荷华州立大学）
本文研究递归线性结构方程模型中直接因果效应的识别问题。本文建立了一个识别个体因果效应的充分准则，并提供了一个根据观测协方差阵计算已识别因果效应的程序。
2012-06-20 cs.AI stat.ME
Causal Discovery in Linear Structural Causal Models with Deterministic Relations
Georgia Institute of Technology（佐治亚理工学院）；University of Detroit Mercy（底特律梅西大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
线性结构因果模型（SCM）-其中每个观测变量是由其他观测变量的子集以及外生源的子集生成的-在因果推理和因果发现中很普遍。然而，对于因果发现的任务，现有的工作几乎完全集中在子模型中，每个观察到的变量与一个不同的源与非零方差。这导致了这样的限制，即没有观察到的变量可以确定性地依赖于其他观察到的变量或潜在的混杂因素。在本文中，我们通过关注不具有这种性质的线性SCM的子类，即，在这些模型中，观测变量可以受到源的任何子集的因果影响，并且允许是其他观测变量或潜在混杂因素的确定性函数。这允许对系统中的影响或信息传播进行更真实的建模。我们专注于从这个子类的成员产生的观测数据的因果发现的任务。我们得到了一组因果结构唯一可识别的充分必要条件。据我们所知，这是第一个工作，使潜在的混淆和确定性关系下的因果发现的可识别性结果。此外，我们提出了一个算法，用于恢复的基础因果结构时，满足上述条件。我们验证了我们的理论结果在合成和真实的数据集。
2022-11-08 cs.AI cs.IT cs.LG
A Structural Causal Model for MR Images of Multiple Sclerosis
Johns Hopkins University（约翰斯·霍普金斯大学）
精准医疗涉及回答反事实问题，如“这个病人对治疗A或治疗B的反应更好？“这些类型的问题本质上是因果关系的，需要因果推理的工具来回答，例如，结构因果模型（SCM）。在这项工作中，我们开发了一个SCM模型的人口统计信息，疾病协变量和磁共振（MR）图像的多发性硬化症患者的大脑之间的相互作用。SCM中的推理生成反事实图像，显示如果人口统计学或疾病协变量改变，大脑的MR图像会是什么样子。这些图像可用于对疾病进展进行建模或用于需要控制混杂因素的图像处理任务。
2021-07-13 cs.CV cs.LG eess.IV
Causal Inference on Process Graphs, Part I: The Structural Equation Process Representation
本研究将含潜在分量的递归SVAR过程重构为过程图上的线性过程SCM，推广路径与迹规则，推导频域因果效应表达式并给出识别准则与恢复方法。
2024-08-16 math.ST stat.ME stat.TH
Canonical Representations of Markovian Structural Causal Models: A Framework for Counterfactual Reasoning
本文提出结构因果模型的规范表示（反事实模型），通过归一化程序分离反事实选择与干预约束，从而在保留干预知识的同时灵活实现多种反事实假设，无需个体层面估计。
2025-09-22 cs.AI math.ST stat.TH
Conducting Simulations in Causal Inference with Networks-Based Structural Equation Models
在过去的十年里，越来越多的文献致力于估计网络依赖数据中的因果效应。然而，许多经典统计方法在此类数据中的有效性经常受到质疑。现在需要客观和实际的方法来评估哪些因果方法可能适用于依赖网络的数据。本文介绍了一套工具，实现了simparseal R包，允许模拟数据的基础上，用户指定的结构方程模型的连接单元。针对静态、动态和随机干预实施反事实数据的规范和模拟。一个新的接口旨在简化连接单元之间基于网络的功能关系的规范。一组例子说明了如何将这些模拟应用于评估不同的统计方法，以估计网络相关数据中的因果效应。
2017-05-29 stat.AP stat.CO
A Structural Causal Model for Electronic Device Reliability: From Effects to Counterfactuals
本文提出参数化结构因果模型，利用观测和实验数据估计电子设备失效的因果效应与反事实，应对删失数据，并用合成数据验证。
2025-06-23 stat.AP
Automatic Debiased Machine Learning of Causal and Structural Effects
许多因果和结构效应依赖于回归。例子包括政策效应、平均衍生工具、回归分解、平均治疗效应、因果中介和经济结构模型的参数。回归可能是高维的，这使得机器学习很有用。将机器学习器插入到识别方程中可能会导致由于正则化和/或模型选择的偏差而导致的不良推断。本文给出了线性和非线性回归函数的自动去偏方法。在使用Lasso和感兴趣的函数时，去偏置是自动的，而不需要完整形式的偏置校正。去偏可以应用于任何回归学习器，包括神经网络，随机森林，Lasso，boosting和其他高维方法。除了提供的偏差校正，我们给出了标准误差，是强大的误设定，收敛速度的偏差校正，和原始条件的渐近推断估计的各种估计的结构和因果关系的影响。自动去偏机器学习用于估计新南威尔士州工作培训数据对接受治疗者的平均治疗效果，并根据尼尔森扫描仪数据估计需求弹性，同时允许偏好与价格和收入相关。
2022-10-21 econ.EM math.ST stat.TH
Towards causality-aware predictions in static anticausal machine learning tasks: the linear structural causal model case
我们提出了一种反事实的方法来训练"因果感知”预测模型，该模型能够在静态反因果机器学习任务（即，预测任务，其中结果影响特征）。在受混杂困扰的应用中，该方法可用于生成不受观察到的混杂因素影响的预测。在涉及观察到的介质的应用中，该方法可以用于生成仅捕获直接或间接因果影响的预测。机械地，我们训练监督学习者（反事实）模拟功能，只保留感兴趣的因果关系产生的关联。我们专注于线性模型，其中连接协方差，因果效应和预测均方误差的分析结果是现成的。相当重要的是，我们表明，我们的方法不需要知识的完整的因果图。只要知道哪些变量代表潜在的混杂因素和/或介质就足够了。我们讨论了该方法的稳定性相对于选择偏差产生的数据集移位，并使用合成数据实验验证该方法。
2020-11-30 stat.AP
